圖像預(yù)處理對于整個(gè)圖像處理任務(wù)來講特別重要。如果我們沒有進(jìn)行恰當(dāng)?shù)念A(yù)處理，無論我們有多么好的數(shù)據(jù)也很難得到理想的結(jié)果。

本篇是視覺入門系列教程的第二篇。整個(gè)視覺入門系列內(nèi)容如下：

理解顏色模型與在圖像上繪制圖形（圖像處理基本操作）。

基本的圖像處理與濾波技術(shù)。

從特征檢測到人臉檢測。

圖像分割與分水嶺（Watershed）算法（TBU）

在邊緣和輪廓檢測中，噪聲對檢測的精度有很大的影響。因此，去除噪聲和控制像素值的大小可以幫助模型聚焦于整體特征，獲得更高的精度。對應(yīng)的圖像處理技術(shù)包括：模糊化（Blurring）、閾值化（thresholding）和形態(tài)轉(zhuǎn)換（morphological transformation）。本篇我們將詳細(xì)介紹這幾個(gè)常見的圖像預(yù)處理技術(shù)。（本文假設(shè)讀者已經(jīng)熟悉卷積的概念。）

模糊化（Blurring）

模糊化的目標(biāo)是實(shí)現(xiàn)降噪。我們必須格外注意的是：如果我們把邊緣檢測算法應(yīng)用到高分辨率的圖像上，我們就會得到很多我們不感興趣的檢測結(jié)果；

相反，如果我們把圖像模糊太多，我們就會丟失數(shù)據(jù)。因此，我們需要找到一個(gè)適當(dāng)?shù)哪：�量，從而不失去理想的邊緣�?/p>

有多種技術(shù)用于實(shí)現(xiàn)模糊效果，在這里我們討論OpenCV中常用的四種技術(shù)：平均模糊（Averaging blurring）、高斯模糊（Gaussian blurring）、中值模糊（median blurring）和雙邊濾波（bilateral filtering）。這四種技術(shù)應(yīng)用一個(gè)共同的基本原理，即使用濾波器（內(nèi)核）對圖像進(jìn)行卷積運(yùn)算。不同的是，在四種模糊方法中使用的濾波器的值是不同的。

平均模糊（Average blurring）是取給定內(nèi)核（kernel）區(qū)域下所有像素值的平均值替換中心的值。例如，假設(shè)給定一個(gè)大小為5X5的內(nèi)核（kernel），我們計(jì)算卷積結(jié)果的平均值，并將結(jié)果放在給定區(qū)域的中心。示例如下：

如果我們增加內(nèi)核的大小，像素值將更加歸一化。因此圖像也會變得越來越模糊。讓我們用下面的代碼對比處理結(jié)果。（為了便于比較，將把原始圖像加到結(jié)果中，進(jìn)行對比顯示。）

＃ Import the image and convert to RGB

img ＝ cv2．imread（＇text．jpg＇）

img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）

＃ Plot the image with different kernel sizes

kernels ＝ ［5， 11， 17］

fig， axs ＝ plt．subplots（nrows ＝ 1， ncols ＝ 3， figsize ＝ （20， 20））

for ind， s in enumerate（kernels）：

img＿blurred ＝ cv2．blur（img， ksize ＝ （s， s））

ax ＝ axs［ind］

ax．imshow（img＿blurred）

ax．a(chǎn)xis（＇off＇）

plt．show（）

中值模糊（Medium blurring）和平均模糊（Average blurring）是一樣的，只是它使用的是中值而不是平均值。正由于這個(gè)特性，當(dāng)我們需要處理圖像中突然出現(xiàn)的噪音時(shí)（如“椒鹽噪音”），使用中值模糊（medium blurring）的效果要比平均模糊（average blurring）效果好。

高斯模糊（Gaussian blurring）是使用“值”具有高斯分布的核函數(shù)。由于這些值是由高斯函數(shù)生成的，因此它的參數(shù)需要一個(gè)sigma值。如上圖，內(nèi)核的值在靠近中心的地方變高，在靠近角的地方變小。將該方法應(yīng)用于具有正態(tài)分布的噪聲，如白噪聲，效果較好。

雙邊濾波（Bilateral Filtering）是高斯模糊的一個(gè)高級版本。模糊化不僅可以溶解噪聲，而且還會平滑邊緣。而雙邊濾波器能在去除噪聲的同時(shí)保持邊緣銳化。這是由于它不僅使用高斯分布值，還同時(shí)考慮了距離和像素值的差異。因此，需要指定sigmaSpace和sigmaColor這兩個(gè)參數(shù)。

＃ Blur the image

img＿0 ＝ cv2．blur（img， ksize ＝ （7， 7））

img＿1 ＝ cv2．GaussianBlur（img， ksize ＝ （7， 7）， sigmaX ＝ 0）

img＿2 ＝ cv2．medianBlur（img， 7）

img＿3 ＝ cv2．bilateralFilter（img， 7， sigmaSpace ＝ 75， sigmaColor ＝75）

＃ Plot the images

images ＝ ［img＿0， img＿1， img＿2， img＿3］

fig， axs ＝ plt．subplots（nrows ＝ 1， ncols ＝ 4， figsize ＝ （20， 20））

for ind， p in enumerate（images）：

ax ＝ axs［ind］

ax．imshow（p）

ax．a(chǎn)xis（＇off＇）

plt．show（）

閾值化（Thresholding）

圖像的閾值化就是利用圖像像素點(diǎn)分布規(guī)律，設(shè)定閾值進(jìn)行像素點(diǎn)分割，進(jìn)而得到圖像的二值圖像。我們需要設(shè)置閾值和最大值，然后據(jù)此相應(yīng)地進(jìn)行像素值轉(zhuǎn)換。常用的閾值化包含有五種不同的類型：二進(jìn)制閾值化、反二進(jìn)制閾值化、閾值化到零、反閾值化到零，和閾值截?cái)唷?/strong>

img ＝ cv2．imread（＇gradation．png＇）

＃ Thresholding

＿， thresh＿0 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿BINARY）

＿， thresh＿1 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿BINARY＿INV）

＿， thresh＿2 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TOZERO）

＿， thresh＿3 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TOZERO＿INV）

＿， thresh＿4 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TRUNC）

＃ Plot the images

images ＝ ［img， thresh＿0， thresh＿1， thresh＿2， thresh＿3， thresh＿4］

fig， axs ＝ plt．subplots（nrows ＝ 2， ncols ＝ 3， figsize ＝ （13， 13））

for ind， p in enumerate（images）：

ax ＝ axs［ind／／3， ind％3］

ax．imshow（p）

plt．show（）

如上圖所示，每種類型的閾值都可以用數(shù)學(xué)公式表示，I（x， y）是像素點(diǎn)的強(qiáng)度（也稱為點(diǎn)（x， y）的像素值）。上圖中的圖像示例，可以更直觀的理解不同閾值化類型之間的區(qū)別。

只取一個(gè)閾值并將其應(yīng)用于圖像的所有部分并不能滿足我們的全部需求。如果我們有一張?jiān)诙鄠�(gè)不同區(qū)域亮度差異較多的圖片這種情況，將一個(gè)值應(yīng)用于整個(gè)圖像一般不利于我們的圖像處理任務(wù)。其對應(yīng)更好的方法是對圖像的每個(gè)部分使用不同的閾值。對應(yīng)這種情況還有另外一種閾值化技術(shù)稱為自適應(yīng)閾值化（Adaptive threshilding）。通過對圖像鄰域內(nèi)閾值的計(jì)算，可以得到不同光照條件下的較好結(jié)果。

＃ Convert the image to grayscale

img ＝ cv2．imread（＇text．jpg＇）

img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

＃ Adaptive Thresholding

＿， thresh＿binary ＝ cv2．threshold（img， thresh ＝ 127， maxval ＝ 255， type ＝ cv2．THRESH＿BINARY）

adap＿mean＿2 ＝ cv2．a(chǎn)daptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿M(jìn)EAN＿C，

cv2．THRESH＿BINARY， 7， 2）

adap＿mean＿2＿inv ＝ cv2．a(chǎn)daptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿M(jìn)EAN＿C，

cv2．THRESH＿BINARY＿INV， 7， 2）

adap＿mean＿8 ＝ cv2．a(chǎn)daptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿M(jìn)EAN＿C，

cv2．THRESH＿BINARY， 7， 8）

adap＿gaussian＿8 ＝ cv2．a(chǎn)daptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿GAUSSIAN＿C，

cv2．THRESH＿BINARY， 7， 8）

我們需要將顏色模式轉(zhuǎn)換為灰度來進(jìn)行自適應(yīng)閾值化。自適應(yīng)閾值的參數(shù)有maxValue（在上面的示例中設(shè)置為255）、adaptiveMethod、thresholdType、blocksize和C。這里使用的自適應(yīng)方法有兩種：adaptivethresholdmeanc和adaptivethresholdgaussianc。讓我們通過下方代碼對比自適應(yīng)閾值化的不同結(jié)果。

＃ Plot the images

images ＝ ［img， thresh＿binary， adap＿mean＿2， adap＿mean＿2＿inv，

adap＿mean＿8， adap＿gaussian＿8］

fig， axs ＝ plt．subplots（nrows ＝ 2， ncols ＝ 3， figsize ＝ （15， 15））

for ind， p in enumerate（images）：

ax ＝ axs［ind％2， ind／／2］

ax．imshow（p， cmap ＝ ＇gray＇）

ax．a(chǎn)xis（＇off＇）

plt．show（）

如上圖所示，左邊為原始圖像與二進(jìn)制閾值化結(jié)果圖。對比二進(jìn)制閾值化結(jié)果圖與右上方兩張結(jié)果圖（由adaptivethresholdmeanc方法生成）可得，后者生成了更為詳細(xì)的結(jié)果。我們還可以看出，當(dāng)C值更大時(shí)，圖像將變得更顯式。C代表從均值或加權(quán)均值中減去值的大小。通過觀察上圖右子圖上下兩幅圖像，我們還可以對比查看相同C值下adaptivethreshold meanc和adaptivethreshold ＿gaussianc兩種方法生成的不同效果圖。